Kimi K2
Kimi K2 ist das Flaggschiff-Modell von Moonshot AI mit Open-Weights-Lizenz und Fokus auf agentische Aufgaben, Coding und mehrstufiges Reasoning. Die MoE-Architektur aktiviert pro Token nur 32 Milliarden der insgesamt eine Billion Gesamtparameter, das Kontextfenster umfasst 128.000 Tokens. Als Text-only-Variante lokal oder über Cloud-Provider nutzbar, bei Cloud-Nutzung erfordert die chinesische Jurisdiktion eine separate Bewertung.
- Open Weights
- Frontier
- OR
- Text
- Agentic Orchestrator
- Real-Time
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 71.32
- Routine
- 42.38
- Reasoning
- 28.94
- LLM Judge Avg
- 3.63 / 5
- 100 Coverage
- Avg Task Duration
- 19.34s
- Real-Time
- Token Rate
- 21.27tok/s
- Output Rate
- P95 Latency
- 51.75s
- Top 5 %
- Total Tokens
- 47200
- Output Volume
- Cost per 1K
- $0.0025
- USD / 1K Requests
- Benchmark Cost
- $0.12
- Total · 47200 tok
Benchmark-Module
10 Module · gewichtet · vs. Modellmedian & Spitzenreiter
Kimi K2
Bestes Modell
Ø Alle Modelle
Code Quality
73.56
CLI Benchmark
84.34
Logical Reasoning
74.15
UX Writing
70.07
Documentation
63.63
Content Transform.
71.25
Cultural Intelligence
70.8
Synthesis Quality
55
Tool Execution
86.67
ToolUse Score
70.71
Benchmark Cost
$0.12
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.